1、Open-Deep-Research-workflow-on-Dify简介
在之前的文章中，我介绍了Dify内置DeepResearch工作流，深入剖析了它的构成并体验了它的运行效果。发现不足还是挺多的，比如信源配置单一，只有Tavily一种信源输入，最头痛的是不能检索和使用本地文献进行研究。今天，带大家看看另一个开源实现（Open-Deep-Research-workflow-on-Dify），它正好解决了本地信源导入问题。
项目链接：https://github.com/AdamPlatin123
这个工作流是对DeepResearch进行了复现，但是没有介绍参考了哪个项目。从作者github首页看到follow了一个DeepResearch开源项目——open-deep-research，是参照这个了吗？
不妨打开这个项目看下：
2、工作流解析成Mermaid代码
2.1、采用大模型对直接对配置文件进行解析
2.2、采用代码对配置文件进行解析
# Deep Researcher On Dify 工作流图```mermaidgraph TD n1["开始 start"] n2["sub主题1分析 llm"] n3["问题4 answer"] n4["条件分支 if-else"] n5["问题2 answer"] n6["问题分解 llm"] n7["变量赋值 assigner"] n8["问题参数提取 parameter-extractor"] n9["第一次回复&问题1 answer"] n10["上下文变量赋值 assigner"] n11["问题变量赋值 assigner"] n12["问题3 answer"] n13["最终回复 answer"] n14["上下文变量赋值 assigner"] n15["上下文变量赋值 assigner"] n16["上下文变量赋值 assigner"] n17["输出：正在生成最终回答 answer"] n18["sub主题提取 llm"] n19["sub主题提取 parameter-extractor"] n20["回答优化 llm"] n21["回答优化 llm"] n22["回答优化 llm"] n23["回答优化 llm"] n24["sub主题2分析 llm"] n25["sub主题3分析 llm"] n26["sub主题4分析 llm"] n27["总结文档 template-transform"] n28["变量赋值 assigner"] n29["主题提取 llm"] n30["回答记录1 assigner"] n31["回答记录2 assigner"] n32["回答记录3 assigner"] n33["回答记录4 assigner"] n34["输出：研究主题 answer"] n35["输出：构建研究角度 answer"] n36["输出：研究角度 answer"] n37["迭代搜索1 iteration"] n38["sub关键词提取1 parameter-extractor"] n39["sub关键词提取2 parameter-extractor"] n40["sub关键词提取3 parameter-extractor"] n41["sub关键词提取4 parameter-extractor"] n42["迭代搜索2 iteration"] n43["迭代搜索3 iteration"] n44["迭代搜索4 iteration"] n45["起始段 llm"] n46["结尾段 llm"] n47["条件分支 2 if-else"] n48["条件分支 3 if-else"] n49["直接回复 10 answer"] n4 -->|sys.dialogue_count=1| n5 n4 -->|sys.dialogue_count=0| n7 n7 --> n6 n6 --> n8 n8 --> n9 n4 -->|sys.dialogue_count=2| n12 n4 -->|sys.dialogue_count=3| n3 n18 --> n19 n20 --> n14 n23 --> n16 n22 --> n10 n21 --> n15 n29 --> n28 n4 -->|sys.dialogue_count=4| n17 n4 -->|sys.dialogue_count=4| n29 n5 --> n30 n12 --> n31 n3 --> n32 n17 --> n33 n28 --> n34 n19 --> n36 n1 --> n4 n19 --> n38 n8 --> n11 n4 -->|sys.dialogue_count=4| n21 n4 -->|sys.dialogue_count=4| n20 n4 -->|sys.dialogue_count=4| n23 n2 --> n24 n26 --> n46 n24 --> n25 n46 --> n27 n37 --> n42 n42 --> n43 n38 --> n39 n40 --> n41 n39 --> n37 n41 --> n37 n19 --> n40 n43 --> n44 n25 --> n26 n27 --> n47 n47 -->|17391136443240.te...| n13 n44 --> n45 n45 --> n2 n10 --> n48 n48 -->|conversation.quer...| n35 n35 --> n18 n47 -->|其他情况| n49 n16 --> n22```
2.3、Mermaid工作流图对工作流自动优化的意义
3、工作流运行流程解析
第一阶段【问题初始化】
通过对话轮次判断（sys.dialogue_count），首次进入时由LLM分解用户问题，提取关键参数并生成首个回复。
通过sys.dialogue_count=0触发：变量赋值（n7）→ 问题分解LLM（n6）→ 参数提取（n8）→ 生成首问（n9）
第二阶段【渐进式信息收集】
分三轮对话（dialogue_count=1-3）依次处理预设问题，通过assigner节点记录每轮回答，构建研究基础数据。
分轮次处理：dialogue_count=1→问题2（n5）dialogue_count=2→问题3（n12）dialogue_count=3→问题4（n3）通过assigner节点（n30-n33）逐步记录回答
第三阶段【并行化内容精炼】
第4轮触发并行处理：Gemini模型提取核心主题，4个优化LLM同步精炼内容，输出研究方向和优化中间结果。
dialogue_count=4触发：主题提取LLM（n29）→ 输出研究主题（n34）4个优化LLM并行运作（n20-n23）→ 变量赋值节点（n10,n14-n16）存储中间结果
第四阶段【循环式知识拓展】
通过子主题分析LLM拆解4个维度，混合检索引擎（本地知识库+网络迭代搜索）获取细分领域数据
起始段LLM（n45）启动sub主题分析链（n2→n24→n25→n26）每个sub主题触发3级迭代搜索（n37→n42→n43→n44网络搜索）结尾段LLM（n46）衔接文档总结（n27）
第五阶段【条件化输出】
整合所有分析结果，由起始段/结尾段LLM生成首尾内容，经template-transform模板引擎格式化，最终输出万字级Markdown研究报告。
模板引擎（n27）根据搜索有效性分支：✅ 有效结果→生成最终报告（n13）❌ 无效结果→触发直接回复（n49）
4、结语
后面我会继续深入探索Dify DeepResearch，包括对它的补充、完善、优化，如扩充信源（本地文献、开源Firecrawl、百度和bing等）、工作流优化，以及Dify Agent 相关功能，欢迎持续关注。
